Novel use of electronic health record (EHR) to estimate the prevalence of off-label prescribing, determinants and its association with adverse drug events (ADE)
Notice bibliographique
Résumé
Contexte Les effets indésirables des médicaments (EIM) sont une cause importante de mortalité. Les méthodes actuelles de pharmacovigilance sous-estiment l'incidence des EIM et sont inefficientes. De plus, les médecins prescrivent souvent des médicaments pour des indications pour lesquelles ils n'ont pas été approuvés (usage non indiqué), une pratique associée à des EIM hautement médiatisés. Il y a donc un urgent besoin de développer de nouvelles méthodes de pharmacovigilance. À cette fin, les dossiers de santé électroniques (DSE) pourraient être utiles, notamment si l'indication de traitement et la raison justifiant l'arrêt d'un médicament y sont documentées.Objectifs1) Déterminer l'exactitude d'un DSE à documenter les arrêts de traitement médicamenteux; 2) Déterminer la sensibilité et la valeur prédictive positive d'un DSE à documenter les indications de traitement; 3) Évaluer la prévalence des prescriptions non indiquées en soins primaires et les déterminants y étant associées. 4) Déterminer l'association entre l'utilisation non indiquée des médicaments et les EIM. Méthodes Pour atteindre ces objectifs de recherche, j'ai réalisé quatre études en utilisant le DSE Medical Office of the XXI century (MOXXI). Premièrement, j'ai mené une étude de validation afin d'évaluer la sensibilité, la spécificité et les valeurs prédictives positive (VPP) et négative (VPN) du DSE MOXXI à documenter les ordonnance d'arrêt de traitement. Deuxièmement, j'ai mené une étude de validation afin d'évaluer la sensibilité et la VPP de MOXXI à documenter les indications de traitement. Troisièmement, j'ai estimé la prévalence de l'usage non indiqué des médicaments en soins primaires, ainsi que la robustesse des données supportant ce type d'usage. Quatrièmement, j'ai utilisé MOXXI afin d'évaluer l'association entre l'usage non indiqué des médicaments et les EIM. Résultats Manuscrit 1 La sensibilité de MOXXI à identifier des arrêts de traitements est de 67,0% (IC à 95%: 54,1 - 77,7), la spécificité est de 99,7% (IC 95%: 99,5, 99,9), la VPP est de 97,3% (IC à 95%: 95,6 - 98,7). Manuscrit 2 La sensibilité de l'indication de traitement documentée dans MOXXI était de 98,5% (IC à 95%; 96,5% - 99,5%) et sa VPP était de 97,0% (IC à 95%, 94,2% - 98,6%). Manuscrit 3 La prévalence de l'usage non indiqué des médicaments est de 11,0% parmi 253 347 prescriptions reçues par 50 823 patients. On estime que 79,0% des prescriptions non indiquées ne sont pas justifiées empiriquement. L'usage non indiqué des médicaments est le plus élevé pour les médicaments du système nerveux central (26,3%), dont les anticonvulsivants (66,6%), les antipsychotiques (43,8%) et les antidépresseurs (33,4%). Des taux élevés d'usages non indiqués des médicaments ont été démontrés pour les médicaments n'ayant que 1 ou 2 indications approuvées, les médicaments plus anciens, chez les femmes et pour les médecins plus empiristes. Manuscrit 4 Le taux d'EIM associé à un usage non indiqué des médicaments (19.8/10 000 personnes-mois) est plus élevé que celui pour les usages indiqués (12,5 pour 10.000 personnes-mois) [HR : 1,43; IC à 95% : 1,29 - 1,59)]. Les usages non indiqués, non justifiés empiriquement, ont un taux encore plus élevé d'EIM (21,8 pour 10.000 personnes-mois) par rapport aux usages indiqués [HR : 1,53; IC à 95% : 1,37 - 1,72]). Les patients plus jeunes, les femmes et les patients ayant reçu ≥8 médicaments ou des agents anti-infectieux ont un risque accru d'EIM. Conclusion Un DSE peut documenter avec précision les indications de traitement, les EIM et d'autres résultats de traitement. Les données relatives à l'indication de traitement pourraient être combinées à celles relatives aux résultats cliniques afin de créer un nouvel outil de pharmacosurveillance. L'usage non indiqué des médicaments est un déterminant indépendant des EIM. Les DSE devront intégrer les indications et les résultats de traitements afin de faciliter l'évaluation de la sécurité et de l'efficacité des médicaments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».